— AI-optimalizálás

AI-láthatóság mérése

Mérjük, mely kérdésekre idéznek meg, és melyekre a versenytársat. Ebből lesz a tartalomterv.

Az AI-keresőkben nincs klasszikus pozíció, viszont van mérhető jelenlét: adott kérdéskörre megjelenik-e a márkád, milyen állítással, és mely forrásra hivatkozva. Ez ugyanúgy követhető, mint korábban a kulcsszó-pozíció.

Az első mérés általában kellemetlen: kiderül, hogy a szakterületed alapkérdéseire a versenytársat vagy egy portált idéznek. Ez viszont pontosan megmutatja, hol van a legnagyobb tartalék.

A mérésből tartalomterv lesz: mely kérdésekre kell hivatkozható választ adni, milyen formában, és hol kell erősíteni a márkaemlítéseket.

Amit megkapsz

• Kérdéslista a te szakterületedről, szándék szerint csoportosítva
• Jelenlét-riport: mely kérdésekre idéznek meg és kit idéznek helyetted
• Forrás-elemzés: mely oldalakra hivatkoznak a modellek
• Prioritált tartalomterv a hiányokra
• Ismételt mérés negyedévente

Az AI-láthatóság mást mér, mint a klasszikus Google-helyezés

A hagyományos SEO-ban megszoktuk, hogy egy kulcsszóhoz pozíciót rendelünk. Megnézzük, hogy a weboldal első, ötödik vagy tizenkettedik helyen szerepel-e, majd ezt időben követve viszonylag pontos képet kapunk a láthatóság változásáról. A ChatGPT, a Google AI Overview, az AI Mode és más generatív keresési felületek ennél összetettebb képet adnak, mert ugyanarra a kérdésre több forrásból építhetnek választ, több márkát említhetnek, és a megfogalmazásuk is változhat.

Az AI-láthatóság mérésénél ezért több kérdést vizsgálok egyszerre. Megjelenik-e a márka az adott témában? Ajánlja-e a rendszer, vagy csak megemlíti? Milyen tulajdonságokat kapcsol hozzá? Hivatkozik-e a saját weboldalra? Külső cikkből, szakmai portálról vagy adatbázisból veszi az információt? Mely versenytársak szerepelnek rendszeresen ugyanazoknál a kérdéseknél, és milyen érvekkel kerülnek be a válaszba?

Ezek együtt sokkal többet mondanak annál, hogy egyszer beírjuk a ChatGPT-be a cég nevét, majd örülünk, ha felismeri. A valódi kérdés az, hogy azokon a témákon belül jelenik-e meg a márka, amelyekből később ügyfél, vásárlás vagy szakmai ismertség születhet.

A mérés kérdéskészlettel kezdődik

Egy AI-láthatósági vizsgálat értékét nagyrészt az határozza meg, milyen kérdéseket teszünk fel. Ha öt általános promptból próbálunk következtetést levonni, könnyen kapunk látványos, de üzletileg kevéssé használható eredményt.

Ezért először ugyanazt a keresleti területet térképezem fel, amelyből egy kulcsszókutatás is épülne. Megnézem a szolgáltatásokat, termékeket, kapcsolódó problémákat, összehasonlításokat, árra vonatkozó kérdéseket, vásárlási szempontokat, márkákat, lokális kereséseket és azokat a kérdéseket, amelyek a döntési folyamat különböző pontjain felmerülhetnek.

Egy magánklinikánál külön kérdéscsoport lehet például egy beavatkozás működése, ára, kockázata, a megfelelő orvos kiválasztása, a budapesti szolgáltatók összehasonlítása és a konkrét intézmények értékelése. Egy B2B szoftvernél use case-ek, alternatívák, integrációk, árak, iparági alkalmazások és konkurens rendszerek adják ugyanezt a térképet.

A promptkészlet így nem véletlenszerű kérdések gyűjteménye, hanem a piac strukturált modellje. Minél pontosabban tükrözi a valódi vásárlói döntéseket, annál értékesebb lesz az AI-láthatósági riport is.

Információs és kereskedelmi kérdéseket külön érdemes értelmezni

Egy márka megjelenése más értéket képvisel annál a kérdésnél, hogy „mi az a térdprotézis”, mint annál, hogy „melyik budapesti magánkórházban végeznek robotasszisztált térdprotézis-műtétet”.

Az első elsősorban szakmai forrásértéket mutat. Ha egy intézmény vagy szakértő rendszeresen bekerül az általános szakmai válaszok forrásai közé, az erős jelzés arra, hogy a rendszer megbízható információforrásként kezeli.

A második már közvetlenül a választáshoz kapcsolódik. Itt az számít, bekerül-e a márka az ajánlott szolgáltatók közé, milyen előnyöket társít hozzá a rendszer, és milyen konkurensek jelennek meg mellette.

Ezért az AI-láthatósági mutatókat szándék szerint is bontom. Egy vállalkozás számára külön értelmezhető a szakértői láthatóság, az összehasonlításokban megszerzett jelenlét, a magas kereskedelmi szándékú kérdések lefedettsége és a konkrét márkaajánlások aránya.

Ebből már látszik, hogy egy látszólag magas említésszám mögött van-e valódi üzleti érték.

Share of Voice: a márkád mekkora részt kap a válaszokból?

Az egyik legegyszerűbben értelmezhető AI-láthatósági mutató a Share of Voice, vagyis a vizsgált kérdések mekkora részében jelenik meg a márka a releváns szereplők között.

Ha száz üzletileg fontos kérdésből harmincban megjelenik a vállalkozás, miközben a legerősebb versenytárs hatvanban, már pontosabb képünk van a piaci láthatósági különbségről. Ez tovább bontható témára, keresési szándékra, szolgáltatásra, országra vagy akár különböző AI-rendszerekre.

A nyers említési arány mellett azt is érdemes megvizsgálni, milyen szerepet kap a márka. Más értéket képvisel egy egyszerű felsorolás, egy konkrét ajánlás, egy szakmai állítás forrásaként történő idézés és egy olyan válasz, ahol a rendszer részletesen indokolja, miért érdemes az adott szolgáltatót választani.

Ebből kialakítható egy súlyozott láthatósági mutató is, amelyben az üzletileg fontos kérdések és az erősebb megjelenési formák nagyobb értéket kapnak.

Citation Rate: milyen gyakran használják ténylegesen a weboldaladat forrásként?

A márkaemlítés és a forráshivatkozás két külön dolog.

Előfordulhat, hogy a ChatGPT pontosan ismeri egy vállalkozás nevét, mégsem a saját oldaláról veszi az információt. Hivatkozhat egy sajtócikkre, Wikipedia-oldalra, szakmai adatbázisra, értékelési platformra vagy egy másik weboldalra, amely részletesebben foglalkozik a témával.

Ezért külön mérem, hogy a vizsgált kérdéseknél milyen gyakran válik a saját domain ténylegesen hivatkozott forrássá. A Citation Rate megmutatja, a promptkészlet mekkora részében jelenik meg saját oldal a felhasznált források között.

A két adat együtt különösen érdekes. Magas márkaemlítés és alacsony saját-domain idézettség arra utalhat, hogy a márka ismert, de az információs forrásértékét más webhelyek viszik el. Alacsony márkaemlítés és magas idézettség bizonyos szakmai kérdéseknél pedig azt jelezheti, hogy a tartalom erős forrás, miközben a márka még kevésbé épült be a szélesebb ajánlási környezetbe.

Ezek már egészen eltérő optimalizálási feladatokat eredményeznek.

Forráselemzésből derül ki, miért jelenik meg a konkurencia

Az egyik legértékesebb része az AI-láthatóság mérésének szerintem az, amikor nem állunk meg annál, hogy „a konkurens szerepel, mi pedig nem”.

Megnézem, milyen forrásokból dolgozott a rendszer. A versenytárs saját szolgáltatási oldalára hivatkozik? Egy szakmai magazin cikkére? Wikipédia- vagy Wikidata-entitásra? Vásárlói értékelésekre? Saját kutatásra? Egy összehasonlító portálra? Olyan PR-cikkre, amelyben a márka egy konkrét szakmai témához kapcsolódik?

Ezekből gyakran nagyon konkrét minták rajzolódnak ki.

Lehet, hogy a konkurensnek részletesebb szolgáltatási oldala van. Lehet, hogy ugyanarról a témáról több független szakmai forrás is beszél vele kapcsolatban. Előfordulhat, hogy erősebbek a szerzői és szakértői jelei, jobb a strukturált termékadata vagy egyszerűen olyan saját kutatást publikált, amelyet érdemes idézni.

A forráselemzésből így közvetlenül tartalmi, technikai, digitális PR- és entitásépítési feladatok születnek.

A saját domain mellett a teljes forráskörnyezetet is mérni kell

Az AI-láthatóságban a weboldal mellett azok a külső felületek is szerepet játszanak, ahol a márkáról megbízható információ található.

Egy étteremnél ilyen lehet a Google Business Profile, Michelin Guide, Tripadvisor, gasztronómiai portál vagy sajtócikk. Egy B2B cégnél szakmai magazinok, partneroldalak, ügyfélesettanulmányok, konferenciamegjelenések és iparági adatbázisok. Egy szakértőnél interjúk, publikációk, egyetemi vagy szakmai profilok és más hiteles hivatkozási pontok.

A monitoringban ezért azt is figyelem, milyen domainek kerülnek rendszeresen elő a vizsgált AI-válaszok forrásai között. Ebből létrejöhet egy source map, amely megmutatja, mely webhelyek formálják leginkább az adott témáról kialakuló AI-válaszokat.

Ha ugyanaz a tíz szakmai oldal újra és újra megjelenik a források között, azok már SEO- és PR-szempontból is kiemelt szereplővé válnak. Sokszor értékesebb egy ilyen oldalon megfelelő szakmai kontextusban megjelenni, mint húsz véletlenszerű linket szerezni kevésbé releváns domainekről.

A ChatGPT-ből érkező forgalom külön is mérhető

Az AI-láthatóság egy része közvetlenül webanalitikában is megjelenik. Az OpenAI a ChatGPT Searchből érkező hivatkozásokhoz automatikusan hozzáadja az utm_source=chatgpt.com paramétert, így a referral forgalom GA4-ben és más analitikai rendszerekben külön vizsgálható.

Ez megmutatja, hány látogató érkezik ténylegesen ChatGPT-ből, mely oldalakra jutnak, mennyi időt töltenek a webhelyen, milyen további oldalakat néznek meg és létrejön-e konverzió.

A referral forgalom azonban az AI-láthatóság egyetlen szelete. Sok felhasználó már magában az AI-válaszban megkapja a szükséges információ egy részét, megjegyzi a márkát, majd később közvetlenül vagy Google-kereséssel tér vissza. Emiatt ugyanaz a mérési probléma jelenik meg, amelyet a display, videó vagy social kampányoknál régóta ismerünk: egy fontos érintkezési pont hatása nem feltétlenül jelenik meg azonnali kattintásként.

Ezért a ChatGPT-referral forgalom értékes teljesítménymutató, de a teljes AI-láthatósági képet a prompt monitoringgal, brandkeresésekkel és konverziós adatokkal együtt érdemes értelmezni.

A Google AI-láthatóság 2026 óta már külön Search Console riportban is követhető

A Google 2026 júniusában bevezette a Search Console külön generatív AI teljesítményriportját, majd augusztus 31-ére minden webhely számára elérhetővé tette. A riport elkülönítve mutatja a Google generatív keresési felületein, például az AI Overview-ban és AI Mode-ban megszerzett láthatóságot.

A jelenlegi riportban látható, milyen gyakran jelentek meg a webhely URL-jei generatív AI funkciókban, mely oldalak kaptak megjelenést, mely országokból történt ez, milyen eszközön látták a tartalmat, és hogyan változott a teljesítmény időben.

Ez fontos előrelépés, mert korábban az AI Overview forgalom nagy része beleolvadt a hagyományos Search Console teljesítményadatokba. Ma már külön is látható, mely oldalak képesek generatív keresési környezetben megjelenést szerezni.

A Search Console adatot ugyanakkor érdemes összekapcsolni a saját prompt monitoringgal. A Google riportja pontos első fél általi megjelenési adatot ad, a saját kérdéskészlet pedig azt mutatja meg, milyen témáknál, milyen versenykörnyezetben és milyen állítással jelenik meg a márka.

Nem minden AI-láthatóság jár kattintással

Az AI-alapú keresés egyik nagy változása, hogy a felhasználó sokkal több információt kaphat már magán a találati felületen vagy a beszélgetésben.

Ha egy kérdésre a Google AI Overview vagy a ChatGPT részletes választ ad, a felhasználó csak akkor kattint tovább, amikor további részletre, eredeti forrásra, konkrét termékre, szolgáltatásra vagy tranzakcióra van szüksége.

Ez elsőre ijesztő lehet annak, aki kizárólag organikus látogatottságban méri a SEO sikerét, üzleti szempontból azonban ennél árnyaltabb a kép. A márka bekerülhet a döntési folyamatba anélkül, hogy ugyanabban a pillanatban látogatást generálna. Egy ajánlott hotel, szoftver, szakértő vagy egészségügyi szolgáltató neve később branded Google-keresést, direkt látogatást vagy közvetlen kapcsolatfelvételt indíthat.

Emiatt az AI-láthatósági riportban a kattintás mellett a megjelenés, márkaemlítés, ajánlási arány és a branded kereslet változása is értékes jelzés.

A branded keresések változása fontos kiegészítő mutató lehet

Ha egy márka rendszeresen megjelenik ChatGPT-, Gemini- vagy Google AI-válaszokban, a felhasználó később gyakran közvetlenül a cég nevére keres rá.

Ez Search Console-ban és Google Trendsben részben követhető. Egy erősödő branded kereslet természetesen sok más marketingtevékenység eredménye is lehet, ezért önmagában nem bizonyítja az AI hatását, de jól használható kiegészítő indikátor.

Különösen érdekes az olyan márkáknál, amelyek korábban kevés direkt keresést kaptak, majd egy adott témakörben jelentősebb AI-láthatóságot szereznek. Ha ezzel párhuzamosan a branded impressziók, keresések és direkt forgalom is növekszik, már érdemes megvizsgálni a kapcsolatot.

Az AI-láthatóság mérésében ezért egyre inkább több adatforrást érdemes egymás mellé tenni, ahelyett hogy minden eredményt egyetlen attribution modellbe próbálnánk beleerőltetni.

A válaszban elfoglalt szerep legalább olyan fontos, mint maga az említés

Egy márka négy egészen eltérő módon is megjelenhet ugyanazon AI-válaszban.

Lehet pusztán egy példa. Lehet egy hosszabb listában szereplő alternatíva. Lehet az egyik kiemelten ajánlott megoldás. Vagy lehet az a forrás, amelynek szakmai állítására maga a válasz épül.

Ezek között jelentős különbség van, ezért az AI-láthatóság elemzésében az említés típusát is érdemes osztályozni.

Egy szolgáltató számára különösen értékes, ha a rendszer világosan megfogalmazza, milyen helyzetben ajánlja. Egy „jó budapesti indiai éttermek” listában szereplő márka hasznos láthatóságot kap, de még érdekesebb, ha a rendszer egy konkrét kérdésnél azt írja róla, hogy autentikus észak-indiai konyhát kínál, üzleti vacsorára is alkalmas vagy bizonyos fogásokban különösen erős.

Ezek az attribútumok mutatják meg, milyen kép él a márkáról az AI által elérhető információs környezetben.

A márkához társított állításokat is auditálni kell

Az AI-láthatóság minőségi oldala ezért a brand perception vizsgálata.

Mit mond rólad a rendszer? Milyen szolgáltatásokat társít hozzád? Helyesen írja az árakat, lokációt, specializációt és más fontos adatokat? Olyan előnyöket emel ki, amelyeket valóban kommunikálni szeretnél? Van-e elavult, pontatlan vagy félreérthető információ?

Egy hotel esetében könnyen problémát okozhat, ha az AI régi szolgáltatást vagy korábbi csillagbesorolást használ. Egy szoftvernél elavult funkciólista, egy magánklinikánál pedig régi orvoslista vagy pontatlan szakmai információ kerülhet elő.

Ilyenkor a feladat már több egyszerű tartalomfrissítésnél. Meg kell keresni, honnan származik a téves vagy elavult információ, majd a saját oldalon és a releváns külső forrásokban is rendezni kell az adatokat.

Az AI-láthatósági monitoring így egyfajta digitális reputációfigyeléssé is válik.

A versenytársi AI-láthatóság külön elemzést érdemel

A klasszikus SEO-ban pontosan látjuk, mely domain hány kulcsszóra rangsorol és mekkora becsült organikus forgalmat szerez. Generatív keresési környezetben ugyanez más struktúrában jelenik meg, de ugyanúgy elemezhető.

A promptkészlet alapján meg lehet nézni, mely versenytársak szerepelnek a legtöbb válaszban, milyen kérdéscsoportokban erősek, milyen érvekkel ajánlja őket a rendszer és milyen források támogatják ezt.

Ebből létrejön egy AI-versenytérkép. Lehet, hogy az egyik konkurens az általános szakmai kérdésekben erős, egy másik az ár-összehasonlításoknál, a harmadik pedig lokális ajánlásokban jelenik meg rendszeresen.

Ezek az eltérések a tartalomstratégiát is pontosítják. Sokkal jobb kiindulópont azt mondani, hogy „ebben a húsz magas kereskedelmi értékű kérdésben a konkurens rendszeresen bekerül, mi pedig alig”, mint általánosságban kijelenteni, hogy több AI-optimalizált tartalomra van szükség.

A promptokat több alkalommal kell mérni

A generatív rendszerek válaszai nem determinisztikusak. Ugyanaz a kérdés két futtatásnál részben eltérő forrásokat, sorrendet vagy megfogalmazást eredményezhet.

Ezért egyetlen futtatásból kevésbé érdemes messzemenő következtetést levonni.

A fontosabb promptokat többször futtatom, majd az ismétlődő mintákat keresem. Ha egy márka tízből nyolc alkalommal megjelenik, az lényegesen stabilabb jel, mint egyetlen szerencsés említés. Ugyanez igaz a forrásokra és konkurensekre is: az igazán fontos domainek rendszeresen visszatérnek.

A több futásból becsülhető a megjelenés stabilitása is. Ez külön mutatóként megmutathatja, mennyire erős az adott márka vagy forrás kapcsolata egy témával.

Modell és platform szerint is eltérhet a láthatóság

A ChatGPT, Google AI, Gemini és más válaszrendszerek eltérő keresési infrastruktúrát, forráskészletet és válaszgenerálási logikát használhatnak, ezért ugyanarra a kérdésre eltérő márkákat és forrásokat emelhetnek ki.

Egy domain lehet erős a Google AI Overview-ban, miközben ChatGPT-ben ritkán jelenik meg. Más esetben egy szakmai portál rendszeresen szerepel ChatGPT-forrásként, de a Google generatív találataiban kevésbé látható.

Ezért a monitoringot platformonként is érdemes bontani. Nem egy univerzális „AI-rangsor” létezik, hanem több keresési és válaszrendszerben megszerezhető láthatóság.

A stratégiai prioritást pedig az határozza meg, hol van jelen a célcsoport és milyen döntési helyzetben használja az adott rendszert.

A lokáció és a nyelv is megváltoztathatja a választ

Egy magyar vállalkozás szempontjából különösen fontos, hogy ugyanaz a kérdés magyarul és angolul eltérő eredményt adhat.

Más forrásokat találhat a rendszer a „best Indian restaurant in Budapest” kérdésre és mást az „indiai étterem Budapest” megfogalmazásra. Ugyanez igaz turisztikai, egészségügyi vagy nemzetközi B2B piacokra.

Ha a vállalkozás több nyelven vagy több országban dolgozik, ezért a promptkészletet is külön kell felépíteni. A magyar, német vagy angol kérdéskörök nem egyszerű fordításai egymásnak, mert a keresési viselkedés, a konkurencia és a rendelkezésre álló online források is eltérhetnek.

A Google új generatív AI riportja ország szerint is bontja a láthatósági adatokat, ami ehhez már első fél által szolgáltatott ellenőrzési pontot ad.

Az AI-láthatóság változása időben válik igazán értelmezhetővé

Egy egyszeri audit megmutatja az aktuális helyzetet, a stratégiai értéket viszont az ismételt mérés adja.

Ha elkészül egy új szakmai tartalom, javul a technikai hozzáférés, megjelenik egy fontos PR-cikk vagy átalakul egy szolgáltatási oldal, a következő mérési körben már meg lehet nézni, változott-e a márka jelenléte az érintett kérdéseknél.

Az AI-láthatóság fejlődése gyakran nem lineáris. Egy új oldal bekerülhet először forrásként néhány válaszba, később több kapcsolódó kérdésnél is megjelenhet, majd a márka maga is egyre gyakrabban kerülhet be az ajánlásokba.

Ezért általában havi vagy negyedéves monitoringban gondolkodom a piac méretétől és változási sebességétől függően. A lényeg ugyanaz, mint a hagyományos SEO-nál: ugyanazzal a módszertannal kell újra megmérni ugyanazt a keresleti területet, különben az időbeli összehasonlítás értelmét veszti.

A mérésből tartalmi gap analysis készül

Az AI-láthatósági riport végső értéke abban van, hogy konkrétan megmutatja, mi hiányzik.

Ha egy fontos kérdésnél három konkurens jelenik meg rendszeresen, megvizsgálom, milyen információ alapján kerülnek be. Ha a saját oldalon az adott téma alig szerepel, egyszerű tartalmi gapet találtunk. Ha a saját tartalom erős, de más forrásokat idéznek, külső hitelességi vagy entitásprobléma lehet érdekesebb. Ha a márka megjelenik, de pontatlan információval, reputációs és adatkonzisztencia-feladat következik.

Így a tartalomterv már nem abból áll, hogy „írjunk még tíz AI SEO cikket”.

Pontosan láthatóvá válik, mely kérdéshez kell új oldal, hol elég egy meglévő tartalom bővítése, mely szolgáltatási oldalon hiányzik egy fontos döntési szempont, hol lenne értékes saját adat vagy szakértői álláspont, és mely témához érdemes külső szakmai megjelenést építeni.

AI-láthatóságból digitális PR-stratégia is építhető

A forráselemzés gyakran megmutatja, mely külső domainek befolyásolják legerősebben a témáról kialakuló válaszokat.

Ha bizonyos szakmai magazinok, listák, adatbázisok vagy összehasonlító cikkek rendszeresen bekerülnek az AI-válaszok forrásai közé, akkor ezek a felületek digitális PR szempontból is sokkal érdekesebbé válnak.

Itt már jóval több történik egyszerű linképítésnél. Egy hiteles szakmai oldalon megjelenő interjú, kutatás vagy márkaemlítés olyan információs kapcsolatot építhet a cég és egy témakör között, amelyet később a kereső és más AI-rendszerek is felhasználhatnak.

Ezért az AI-láthatóság méréséből készülő source map közvetlenül segíthet a linképítési és PR-költségvetés jobb elosztásában is.

A „top 3 ChatGPT-ben” típusú riportokat fenntartással kezelem

Az AI SEO piac növekedésével megjelentek olyan eszközök és szolgáltatások is, amelyek klasszikus rangsorként próbálják ábrázolni a generatív válaszokat.

Ezek hasznos monitoringeszközök lehetnek, de maga a mérési modell több feltételezést tartalmaz. A válaszok változhatnak, eltérhet a forráskészlet, más lehet a lokalizáció, modellverzió vagy felhasználói kontextus, ezért a „2. hely ChatGPT-ben” jóval kevésbé stabil állítás, mint egy Google-organikus pozíció.

A Google saját 2026-os AI-optimalizálási útmutatója is óvatosságra int azokkal a külső eszközökkel kapcsolatban, amelyek belső Google AI- vagy rangsorolási adatokra hivatkoznak: ilyen adathoz külső szolgáltatók nem férnek hozzá.

Ezért inkább átlátható mutatókat használok: prompt lefedettség, említési arány, citation rate, konkurens Share of Voice, forrásmegoszlás és a megjelenések stabilitása. Ezekből pontosan látható, mit mértünk és hogyan változott az eredmény.

A Search Console és az AI prompt monitoring együtt ad erős képet

A Google új Generative AI performance reportja első fél által mért adatot ad arról, hogy a webhely milyen gyakran jelenik meg a Google generatív keresési funkcióiban. A prompt monitoring ezzel szemben részletesebb kontextust ad arról, hogy mely üzleti kérdéseknél, milyen márkák mellett és milyen forrásokkal szerepelünk.

A két adatforrás ezért jól kiegészíti egymást.

A Search Console megmutathatja, hogy egy szolgáltatási oldal AI-megjelenései nőnek. A promptvizsgálat pedig segíthet megérteni, mely kérdéscsoportoknál és milyen állítással kerül elő. A GA4-ből ehhez hozzáadható a tényleges ChatGPT referral forgalom, a CRM-ből pedig a későbbi lead vagy bevétel.

Így az AI-láthatóság lassan ugyanabba az adatvezérelt marketingrendszerbe kerülhet, amelyben eddig a klasszikus SEO-t és PPC-t kezeltük.

Az üzleti AI-láthatóság fontosabb, mint a lehető legtöbb említés

Egy vállalkozás számára kevés értelme van száz olyan kérdésben megjelenni, amelyből soha nem lesz releváns kapcsolat.

Ezért a promptkészletet üzleti érték szerint is súlyozom. Egy szolgáltatásválasztás, ár-összehasonlítás vagy konkrét problémamegoldási kérdés nagyobb prioritást kaphat, mint egy nagyon tág, információs téma.

Ebből kialakítható egy Business Visibility Score, amelyben a márka megjelenése mellett a kérdés üzleti jelentősége is számít. Így az optimalizálás során elsősorban azokra a területekre koncentrálunk, ahol a láthatóság valós eséllyel kapcsolódik későbbi ügyfélszerzéshez.

Egy B2B szoftvercégnek például értékesebb lehet tíz magas szándékú „X alternatíva”, „X vs. Y” vagy „legjobb rendszer [iparág] számára” kérdésben erősödni, mint száz általános definíciós promptban megjelenni.

A mérés egyik eredménye az is lehet, hogy bizonyos témákkal nem érdemes foglalkozni

Az AI-láthatósági kutatás nem kizárólag új feladatokat termel. Azt is megmutathatja, hol kevés az üzleti érték vagy túl nagy a verseny ahhoz képest, amit a láthatóság hozhat.

Előfordulhat, hogy egy nagyon általános kérdéskörben folyamatosan nagy nemzetközi portálokat, Wikipedia-jellegű forrásokat vagy hatósági oldalakat idéznek, miközben maga a kérdés kevés vásárlási szándékot hordoz. Ebben az esetben érdemesebb lehet ugyanazt az erőforrást egy szűkebb, kereskedelmileg értékes kérdéscsoportra fordítani.

Az AI-láthatóság mérése ezért priorizálási eszköz is. Nem az a kérdés, hogyan kerüljünk bele minden válaszba, hanem hogy mely válaszokban van üzleti jelentősége annak, ha ott vagyunk.

Egy AI-láthatósági riportból következő feladatoknak kell születniük

A mérés végén nem száz képernyőképet szeretnék átadni ChatGPT-válaszokról, hanem egy olyan anyagot, amely alapján a következő hónapok munkája megtervezhető.

A riport megmutatja, mely témákban erős a márka, hol dominálnak a versenytársak, milyen források jelennek meg rendszeresen, mely saját oldalak kapnak hivatkozást, hol találhatók tartalmi hiányok, milyen állításokat társítanak a márkához és mely területeken látszik a legnagyobb üzleti lehetőség.

Ebből prioritást kapnak a feladatok. Lehet közöttük új szolgáltatási oldal, meglévő tartalom bővítése, kutatás vagy esettanulmány készítése, szerzői profil erősítése, strukturált adat javítása, technikai crawl-probléma, digitális PR vagy olyan külső oldal, ahol érdemes megjelenést szerezni.

A következő mérés pedig már azt vizsgálja, hogy ezekből melyik változtatás mozdította el ténylegesen a láthatóságot.

Az AI-láthatóság mérése a SEO-riport természetes kiegészítője

A klasszikus SEO továbbra is mutatja a kulcsszavas helyezéseket, organikus megjelenéseket, kattintásokat, landing oldalak teljesítményét és konverziókat. Ehhez 2026-ban már érdemes hozzáadni azt is, hogyan jelenik meg ugyanaz a domain a generatív keresési környezetben.

Így ugyanazt a témát több nézőpontból látjuk. Tudjuk, milyen pozíciót ér el a Google klasszikus találatai között, megjelenik-e a Google generatív AI funkcióiban, idézi-e a ChatGPT, kiket említenek helyette, és ezekből érkezik-e mérhető forgalom vagy későbbi üzleti eredmény.

Ez különösen hasznos ott, ahol a klasszikus organikus kattintásszám változik, miközben a márka keresési láthatósága valójában nő. A keresési piac ugyanis egyre több felületen oszlik meg, ezért a teljes képet is több adatforrásból érdemes összerakni.

Mit kapsz az AI-láthatóság mérésével?

A munka elején összeállítom a vállalkozásod számára releváns kérdés- és promptkészletet, amelyben külön szerepelnek az információs, összehasonlító, kereskedelmi, márka- és lokális kérdések. Ezeket a fontosabb AI-rendszerekben vizsgáljuk, majd rögzítem a márka megjelenését, a versenytársakat, a használt forrásokat és azokat az állításokat, amelyekkel az egyes szereplők bekerülnek a válaszokba.

Ehhez hozzákapcsolhatók a Google Search Console generatív AI adatai, a ChatGPT-ből érkező referral forgalom, a branded keresések és más rendelkezésre álló analitikai adatok.

Az eredményből prioritált tartalmi és offpage terv készül, majd ugyanazzal a kérdéskészlettel később megismételjük a mérést. Így már nem benyomás alapján beszélünk arról, hogy „jobban lát-e minket a ChatGPT”, hanem van kiinduló állapot, változás és üzleti prioritás.

Mérjük meg, milyen helyet foglal el a márkád az AI-válaszokban

Az első auditból általában gyorsan láthatóvá válik, hogy a márka mely témákhoz kapcsolódik erősen, hol használják saját oldalait forrásként, és mely fontos kérdéscsoportokat uralják jelenleg más szereplők.

Innen már konkrétan lehet dolgozni. Meg lehet erősíteni egy meglévő szolgáltatási oldalt, fel lehet építeni egy hiányzó szakmai témát, saját adatot vagy kutatást lehet publikálni, rendezni lehet a márkához kapcsolódó információkat, és célzottan lehet megjelenést keresni azokon a külső forrásokon, amelyek ténylegesen megjelennek az AI-válaszokban.

A következő mérési körben pedig már látható, mozdult-e a kép.